Diplomado en Inteligencia Artificial con Deep Learning
Objetivo General
Desarrollar competencias en el diseño, implementación y evaluación de modelos de Deep Learning. Al finalizar el programa, los participantes serán capaces de aplicar técnicas de aprendizaje profundo para resolver problemas complejos en diversas áreas, utilizando herramientas y metodologías actuales. Este conocimiento permitirá a los estudiantes integrar soluciones basadas en Deep Learning en sus proyectos profesionales y académicos, potenciando su capacidad para innovar y mejorar procesos mediante el uso de inteligencia artificial.
Objetivos específicos
- Comprender los Fundamentos del Deep Learning: Adquirir conocimientos básicos sobre redes neuronales y su funcionamiento.
- Desarrollar Habilidades Prácticas: Aplicar técnicas de Deep Learning utilizando herramientas y bibliotecas como TensorFlow y PyTorch.
- Implementar Modelos Avanzados: Diseñar, entrenar y evaluar redes neuronales convolucionales (CNN), recurrentes (RNN) y autoencoders.
- Resolver Problemas Reales: Utilizar modelos de Deep Learning para abordar problemas prácticos en áreas como el procesamiento de imágenes, reconocimiento de voz y análisis de texto.
- Optimización y Regularización: Aplicar técnicas de optimización y regularización para mejorar el rendimiento de los modelos.
- Análisis de Big Data: Manejar y analizar grandes volúmenes de datos utilizando técnicas de Deep Learning.
- Proyectos Integradores: Desarrollar un proyecto final que demuestre la aplicación práctica de los conocimientos adquiridos durante el curso.
Justificación
El diplomado "Inteligencia Artificial con Deep Learning" está diseñado para proporcionar una comprensión sólida y práctica de las técnicas de Deep Learning. A lo largo del curso, los participantes explorarán cómo estas tecnologías están revolucionando diversas industrias. Con un enfoque en aplicaciones prácticas y un equilibrio entre teoría y práctica, este diplomado ofrece a los estudiantes la oportunidad de adquirir habilidades valiosas y actualizadas, sin necesidad de conocimientos técnicos avanzados previos. Únete y descubre cómo el Deep Learning puede transformar tu carrera y tus proyectos.
Fecha de inicio: 27 de agosto de 2024
Fecha de finalización: 14 de noviembre de 2024
Metodología: Clases teórico/prácticas
Modalidad: Virtual Sincrónico
Horario: Martes y Jueves de 6:00 p.m. a 8:00 p.m.
Duración: 96 hrs (48 hrs docencia directa / 48 hrs trabajo independiente)
Para mayor Información contáctate con:
- Ana Maria Espinel
- Cel: 3102331368
- Correo: ana.espinel1@unisabana.edu.co
2'500.000
¡Conoce nuestros descuentos disponibles!
- Descuento estudiante pregrado o posgrado de la Universidad: 15%
- Descuento conyúgue e hijos de graduado de pregrado y posgrado: 10%
- Descuento graduado: 15%
- Descuento empleado Universidad de La Sabana: 50%
- Descuento empleados ASPAEN: 50%
- Descuento familiar empleado: 30%
- Descuento pronto pago: 10%
- Descuento grupos 5 o más personas: 15%
- Descuento grupos 10 o más personas: 20%
Santiago Toledo Cortés
Matemático (BSc, 2013), Master en Ciencias en Matemática Aplicada (MSc, 2016), y Doctor en Ingeniería de Sistemas y Computación (Ph.D., 2024) de la Universidad Nacional de Colombia. Investigador visitante en la Universidad de Artes y Ciencias Aplicadas de Suiza Occidental (HES-SO Valais/Wallis, 2021). Actualmente Profesor Asistente de la Facultad de Ingeniería de la Universidad de La Sabana. Su investigación se centra en el desarrollo de modelos de aprendizaje automático basados en aprendizaje profundo como mecanismos de apoyo al diagnóstico utilizando imágenes médicas y datos clínicos. También se dedica a la investigación teórica sobre el desarrollo de modelos de aprendizaje automático cuántico, contribuyendo a la fundamentación teórica de estos algoritmos. Galardonado con el Premio a la Excelencia Académica durante cuatro años consecutivos (2008-2011), Beca Asistente Docente para estudios de maestría y doctorado (2013, 2020), y Premio a la Investigación de Google para América Latina (Google LARA 2019).
Módulo 1: Introducción al Machine Learning
- Conceptos básicos de Machine Learning
- Tipos de aprendizaje: supervisado, no supervisado y por refuerzo
- Aplicaciones y casos de uso
- Introducción a la regularización y validación de modelos
Módulo 2: Fundamentos de Perceptrones y TensorFlow Básico
- Teoría del perceptrón y redes neuronales básicas
- Matemáticas detrás del aprendizaje: álgebra lineal, cálculo y probabilidad
- Programación de perceptrones desde cero en TensorFlow
- Técnicas de regularización y ajuste fino
Módulo 3: Redes Neuronales Convolucionales (CNN)
- Arquitectura y funcionamiento de las CNN
- Aplicaciones en procesamiento de imágenes
- Implementación y entrenamiento de CNN en TensorFlow
- Regularización y ajuste fino de CNN
Módulo 4: Redes Neuronales Recurrentes (RNN)
- Arquitectura y funcionamiento de las RNN
- Aplicaciones en procesamiento de secuencias y series temporales
- Implementación y entrenamiento de RNN en TensorFlow
- Técnicas de optimización y validación para RNN
Módulo 5: Transformers
- Conceptos y arquitectura de los Transformers
- Aplicaciones en procesamiento de lenguaje natural (NLP)
- Implementación de modelos de Transformers en TensorFlow
- Estrategias de regularización y ajuste fino
Módulo 6: Autoencoders
- Principios y aplicaciones de los Autoencoders
- Técnicas de reducción de dimensionalidad y generación de datos
- Implementación de Autoencoders en TensorFlow
- Optimización y validación de modelos de Autoencoders
Módulo 7: Redes Generativas Adversariales (GAN)
- Fundamentos y arquitectura de las GAN
- Aplicaciones en generación de imágenes y datos sintéticos
- Implementación y entrenamiento de GAN en TensorFlow
- Técnicas de ajuste fino y regularización
Módulo 8: Proyecto Final y Evaluación Integrada
- Desarrollo de un proyecto integrador aplicando técnicas de Deep Learning
- Presentación y defensa del proyecto
- Evaluación global de conocimientos y habilidades adquiridas